Aug, 2023

探索不同的时间序列变换器（TST）架构：电动汽车（EVs）电池寿命预测案例研究

PDF
TL;DR近年来，电动车辆 (EVs) 的电池技术一直备受关注，重点是开发新的电池材料和化学成分，然而准确预测电池参数，如充电状态 (SOC) 和温度，对于构建先进的电池管理系统 (BMS) 仍然是一项挑战。鉴于将这些辅助参数整合到传统模型中的困难，建议采用数据驱动的方法，通过利用多头注意力和并行化友好架构的时间序列转换器 (TSTs) 和 LSTM 模型研究。还开发了新颖的 TST 架构，包括编码器 TST + 解码器 LSTM 和混合式 TST-LSTM，并与现有模型进行比较。使用一组包含宝马 i3 (60 Ah) 的 72 次行驶记录的数据集来解决 EV 中的电池寿命预测问题，旨在创建准确的 TST 模型，将环境、电池、车辆驾驶和加热电路数据纳入，以预测未来时间步骤的 SOC 和电池温度。
battery technologyelectric vehiclesbattery management systemsdata-driven approachtime-series-transformers
发现论文，激发创造
  • GAETS：一种基于图自编码器的时间序列方法用于电池参数估计

    本文介绍了一种基于图神经网络和图自动编码器的非线性 NOTEARS 方法的电池参数估计方法 GAETS，相较于现有的 Graph Time Series 方法在电池参数估计方面表现更好。

    Nov, 2021

  • 基于机器学习的电动汽车电池建模数字孪生

    通过数据驱动的模型和数字孪生结构，提高电动汽车电池的能量密度和运行效率，并有效地监视电池的状态和健康状况，以应对现有电池在容量衰退和性能衰减方面的局限性。

    Jun, 2022

  • 电动汽车充电站多尺度时空增强的短期负荷预测

    通过使用多尺度时空增强模型（MSTEM），本研究在电动汽车充电站（EVCS）的精确负载预测方面提出了一种解决方案，该模型通过多尺度图神经网络以及回归学习组件和残差融合机制的整合，能够准确捕捉电动汽车充电行为的非线性、不同站点之间的空间相互作用以及使用模式的复杂时间变化，并在实际数据集上验证了其优越性。

    May, 2024

  • 引入基于时间序列 - Transformer 的混合建模：批结晶中串行与并行方法的对比研究

    现有的数字孪生都依赖于基于数据的黑盒模型，主要使用深度神经网络来捕捉化学系统的动态，然而，由于安全和操作问题，这些模型尚未在实践中得以应用，为了解决这个问题，将基于物理学原理的混合模型与机器学习模型相结合已经越来越受欢迎，具有较强的预测性能，因此，为批次结晶开发了一种基于时间序列变压器的混合框架，通过与传统黑盒模型相比，该框架展示了更好的准确性和可解释性，未来预计基于注意力机制的混合模型将在化学制造业的发展中发挥关键作用。

    Jul, 2023

  • 用变压器预测多变量电池性能和健康状态

    通过使用深度转换网络，我们展示了对 28 个电池健康描述符进行预测的第一步，使用两组循环数据集代表了六种锂离子阴极化学组成（LFP，NMC111，NMC532，NMC622，HE5050 和 5Vspinel），多种电解质 / 阳极组成和不同的充放电方案。这些预测与电池寿命相比的准确性（对于一个 LFP 快充数据集预测终点寿命的绝对平均误差为 19 个循环）展示了深度学习在提供更深入理解和控制电池健康方面的潜力。

    Sep, 2023

  • 电动车充电情况下个体家庭间隔负荷预测

    本文提出了 LSTM-BNN 在存在电动汽车时进行家庭负载预测的方法，并检验了 COVID-19 大流行对该模型的影响，结果表明该方法能够提高预测精度并得出预测间隔。

    Jun, 2023

  • 基于 Transformer 的长期时间序列预测的系统综述

    深度学习在时间序列预测方面取得了显著进展，其中 Transformer 架构在处理长序列的语义相关性方面表现出色。研究综述了 Transformer 架构及其改进方法在长期时间序列预测任务中的应用，总结了公开的长期时间序列预测数据集和评估指标，并提供了关于在时间序列分析中有效训练 transformers 的最佳实践和技术，最后提出了该领域的潜在研究方向。

    Oct, 2023

  • 基于迁移学习和视觉 Transformer 的锂离子电池健康状态预测

    本研究提出了一种基于 Vision Transformer 模型的电池健康预测方法，并采用迁移学习的方法进行优化，实验结果表明该方法能够取得更好的预测效果。

    Sep, 2022

  • 多层次时间序列变换器用于长期预测

    提出了一种多分辨率时间序列变压器（MTST）框架，采用了多支架构来同时建模不同分辨率的多样化时间模式，通过相对位置编码提取不同尺度上的周期成分，与现有的时间序列变压器相比，在几个真实世界数据集上进行了广泛实验，证明了 MTST 在与最先进的预测技术的比较中的有效性。

    Nov, 2023

  • 利用时间融合变压器进行短期电力负荷预测：网格层次和数据来源的影响

    研究了基于 Transformer 模型的时间序列预测方法在短期电力负载预测中的应用，结果表明，该方法不如基于 LSTM 模型在整个电网范围内的日前负载预测性能优越，但在细分的变电站层面上表现出显著的预测性能提升，并且在周前负载预测上具有优越性。

    May, 2023